转：HADOOP中WORDCOUNT源码分析

原文：http://www.cnblogs.com/wly603/archive/2012/04/29/2476178.html


前言
本文是学习hadoop后的笔记总结，由于对hadoop了解不深，正处于摸索阶段，所以分析不够透测。本文是记录我的学习过程和学习总结。
环境：ubuntu 8.04.4 hadoop1.0.2（hadoop的版本不同，API略有变化）
参考书籍：
《 Hadoop权威指南（中文版）》 清华出版社
《实战Hadoop－－开启通向运计算的捷径》 刘鹏主编
1、Hadoop版的helloworld源码（即wordcount）
源码来自于 /usr/local/hadoop-1.0.2/src/examples/org/apache/hadoop/examples/WordCount.java
WordCount

2、分析
从以下几个方面进行分析：数据类型，执行过程(map，reduce),主函数（作业的配置方法）
（1）常见数据类型
整型：IntWritable， 这是Hadoop对int的封装
字符串型：Text，这是Hadoop对String的封装
上下文对象：Context，它用来与MapReduce系统进行通信，如把map的结果传给reduce处理
由于map、reduce的输入输出key/value组成的键值对，所以用context.write(key,value)来传递数据
（2）执行过程
分为两个阶段：map和reduce, 以key/value为输入输出，其中key、value的类型可以由程序员自定义

2.1 map阶段
自定义一个类，继承于基类Mapper，该基类是一个泛型，有4个形参类型：用来指定map函数的输入键、输入值，输出键、输 出值，如下 public class Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>，源码位于/usr/local/hadoop-1.0.2/src/mapred/org/apache/hadoop/mapreduce/Mapper.java，但老版本的Mapper是一个接口public interface Mapper<K1, V1, K2, V2> extends JobConfigurable, Closeable ，老版本源码位于/usr/local/hadoop-1.0.2/src/mapred/org/apache/hadoop/mapred/Mapper.java。
根据实际需要，重写map函数，函数类型由Mapper指定。Called once for each key/value pair in the input split. Most applications should override map().每一对<key,value>调用一次map函数。
wordcount程序中，map方法中的value值存储的是文本文件中的一行，key值为该行的首字符相对于文本文件首字符的偏移量，在本程序中，key值未使用。StringTokenizer类是将每一行拆分为一个个的单词。

2.2 reduce阶段
自定义一个类，继承于基类Reducer，该基类是一个泛型，有4个形参类型：用来指定reduce函数的输入键、输入值，输出键、输出值public class Reducer<KEYIN,VALUEIN,KEYOUT,VALUEOUT>，其中reduce的输入类型必须与map的输出类型一致。
根据实际需要，重写reduce方法，方法的类型由Reducer指定，called once for each key. Most applications will define their reduce class by overriding this method。每一个key调用一次reduce方法。

2.3 主函数（作业的配置方法）
注意：新版本中使用/usr/local/hadoop-1.0.2/src/mapred/org/apache/hadoop/mapreduce 中的Job类来进行作业的配置
Job类主要的方法：
setJarByClass(Class<?> cls)，作用：Set the Jar by finding where a given class came from.
setOutputKeyClass(Class<?> theClass)，作用：Set the key class for the job output data.
setOutputValueClass(Class<?> theClass) ，作用：Set the value class for job outputs.
setJobName(String name)
setMapperClass(Class<? extends Mapper> cls)，作用：Set the{@link Mapper} for the job
setReducerClass(Class<? extends Reducer> cls) ，作用： Set the {@link Reducer} for the job
waitForCompletion(boolean verbose ) ，作用：Submit the job to the cluster and wait for it to finish.

3、Hadoop程序处理流程
（1）将文件拆分为splits，并由MapReduce框架自动完成分割，将每一个split分割为<key,value>对
（2）每一对<key,value>调用一次map函数，处理后生产新的<key,value>对，由Context传递给reduce处理
（3）Mapper对<key，value>对进行按key值进行排序，并执行Combine过程，将key值相同的value进行合并。最后得到Mapper的最终输出结果
（4）reduce处理，处理后将新的<key,value>对输出。